Оптимизация сегментации опухолей мозга с помощью MedNeXt: вызовы BraTS 2024 SSA и педиатрии

Глиомы представляют собой наиболее распространенный и злокачественный тип первичных опухолей мозга. Несмотря на достижения в понимании их патофизиологии, лишь около 20% пациентов с глиомой выживают два года после диагноза, что делает их причиной наибольшего числа связанных с раком смертей среди детей. Эти опухоли становятся видимыми на магнитно-резонансной томографии (МРТ), которая предоставляет детальную информацию о внутренних структурах, тканях и органах пациента. Правильная локализация опухоли и определение ее подрегионов являются критически важными для выбора методов лечения, включая хирургию, химиотерапию и радиотерапию.

Радиологи полагаются на МРТ для ручного прогнозирования классификации и локализации опухолей, что требует значительных временных затрат и подвержено человеческим ошибкам. Эти трудности усугубляются в странах с низким уровнем дохода, где перегруженные системы здравоохранения и нехватка квалифицированных специалистов становятся нормой. В результате возникает критическая необходимость в автоматизированных решениях, и машинное обучение предлагает многообещающие инструменты для обеспечения точных и эффективных измерений.

Ежегодная конференция Medical Image Computing and Computer Assisted Intervention (MICCAI) проводит различные медицинские конкурсы, среди которых вызов BraTS (Brain Tumor Segmentation), который в этом году включает в себя десять уникальных задач, связанных с опухолями мозга. Вызов BraTS изначально сосредоточивался на сегментации глиом у взрослых, но в 2024 году он расширил свои наборы данных, чтобы включить подгруппы из субсахарской Африки, педиатрические случаи и менингиомы. В данной статье мы сосредоточимся на задачах, связанных с Африкой и педиатрией.

Задачи и данные

Данные МРТ мозга

МРТ является важной техникой визуализации в неврологической диагностике, обеспечивая высокое разрешение изображений анатомии и функции мозга. МРТ пациента делится на четыре ключевых модальности: T1-взвешенные изображения (T1), T1 с контрастом (T1Gd), T2-взвешенные изображения (T2W) и T2-FLAIR. Эти модальности предоставляют различные аспекты медицинского интереса, что позволяет более точно диагностировать и управлять такими состояниями, как инсульты и опухоли.

Набор данных BraTS-Africa

Набор данных BraTS-Africa включает в себя мультиинституциональные структурные МРТ-сканы от 95 пациентов из субсахарской Африки. Для обучения используется 60 образцов, а для валидации — 35. Задача состоит в идентификации и сегментации опухоли на три подрегиона: усиливающая опухоль (ET), неусиливающая опухоль (NETC) и окружающая неусиливающая гиперинтенсивность (SNFH).

Набор данных BraTS-PED

Набор данных BraTS-PED состоит из мультиинституциональных конвенциональных и структурных МРТ-сканов от 464 педиатрических случаев с высокозлокачественной глиомой. Данные прошли несколько этапов предварительной обработки для обеспечения их целостности и анонимности пациентов. Задача включает в себя сегментацию опухоли на шесть подрегионов: усиливающая опухоль (ET), опухолевое ядро (TC), вся опухоль (WT), неусиливающая опухоль (NETC), кистозный компонент (CC) и перитуморальный отек (ED).

Методология

Архитектура MedNeXt

В этой работе мы используем архитектуру MedNeXt, представляющую собой современную модель для автоматической сегментации опухолей мозга. MedNeXt сочетает в себе пространственное представление трансформеров с индуктивным уклоном сверточных сетей, используя блоки MedNeXt, организованные в форме U-Net. Эта структура позволяет эффективно обрабатывать входные данные и генерировать выходные карты вероятностей опухолей.

Подход к обучению

Мы провели эксперименты на графическом процессоре NVIDIA с 24 ГБ памяти. В задачах SSA мы объединили наборы данных BraTS Adult Glioma и BraTS Africa. Для обоих наборов данных размер входа был установлен на 128x160x112 вокселей. Мы использовали кросс-валидацию с пятью фолдами для обучения моделей и применяли различные гиперпараметры, включая скорость обучения и минимальные пороговые значения для сегментации.

Оптимизация и дообучение

Мы внедрили оптимизатор без расписания AdamW, который показал отличные результаты в обучении. Гиперпараметры были тщательно настроены, чтобы достичь максимальной производительности моделей. В процессе дообучения мы использовали как оригинальные данные, так и данные из предыдущих задач BraTS, что позволило улучшить качество сегментации.

Результаты и обсуждение

Результаты BraTS-Africa

Наша модель достигла значительных успехов в сегментации опухолей в наборе данных BraTS-Africa. Мы получили средний коэффициент Dice 0.896 и среднее значение Hausdorff Distance (HD95) 14.682, что указывает на высокую точность сегментации.

Результаты BraTS-PED

В педиатрическом наборе данных модель показала средний коэффициент Dice 0.830 и HD95 37.508. Эти результаты подтверждают, что предложенные методы и архитектуры могут успешно применяться для сегментации опухолей у детей, несмотря на сложность и разнообразие данных.

Заключение

В данной работе мы представили методологию сегментации опухолей мозга с использованием модели MedNeXt для задач BraTS 2024, включая вызовы Африки и педиатрии. Мы достигли высоких показателей в сегментации опухолей на основе МРТ, что подтверждает эффективность применения современных подходов машинного обучения в медицинской визуализации. Наши результаты подчеркивают важность оптимизации гиперпараметров и внедрения продвинутых методов дообучения и постобработки для достижения надежных и точных результатов в сложных клинических сценариях.